AI外観検査システム比較｜検出方式・学習データ・価格で選ぶ【製造業】

製品選定で迷う原因は、各社が強みを「精度」「簡単さ」「速さ」といった抽象語で表現するため、自社の検査に当てはめにくいことにあります。比較を機能名の照合ではなく、次の5軸での判断に置き換えると、候補が絞れます。編集部は、この検出方式・学習データ量・エッジ／クラウド・PoC負荷・価格という5つの軸の観点で各製品を整理しました。

1つ目は検出方式です。AIといっても、不良の見え方を学習するディープラーニング型、良品だけを覚えて外れ値を弾く異常検知（良品学習）型、従来の画像処理（ルールベース）とAIを組み合わせるFA統合型では、得意な検査対象が異なります。傷や汚れのように形が定まらない欠陥か、寸法やOCRのように基準が明確な検査かで適した方式が変わります。

2つ目は学習データ量です。AI外観検査の導入が止まる典型的な理由は「不良品の画像が十分に集まらない」ことです。良品画像だけで学習できる方式か、必要枚数が数枚なのか数十枚なのかで、立ち上げの現実性が大きく変わります。

3つ目は推論を動かす場所、つまりエッジかクラウド・PCかです。カメラ単体（スマートカメラ）やPLCの中で推論まで完結する方式は、ライン速度に合わせやすく外部ネットワークに依存しません。一方でPCやクラウドで動かす方式は、重いディープラーニングモデルや大量データの管理に向きます。

4つ目はPoC負荷です。PoC（試験導入）から本番まで、現場担当者だけで回せる設計か、装置メーカーやSIerの組み込みを前提にするかで、必要な体制とリードタイムが変わります。専任のAIエンジニアがいない工場では、この差が導入可否を左右します。

5つ目は価格です。年額ライセンス、カメラ・照明・コントローラを含む装置一体、自社装置に組み込むSDK、システムインテグレーション込みの一式では、見積もりの前提がそろいません。同じ「AI外観検査」でも数十万円から1,000万円規模まで開きがあります。

この5軸を頭に置くと、以降のセクションで各製品がどの位置にいるかを比較しやすくなります。比較表で数値を並べる前に、自社がどの軸を重視するかを先に決めておくと、評価がぶれにくくなります。たとえば「不良画像が集まらない」ことが最大の制約なら学習データ量を最優先軸に、「既存のFA設備に組み込みたい」なら連携性とエッジ実行を優先軸に据える、という具合です。

編集部コメント：5軸のうち最初に決めるべきは「自社の最大の制約がどれか」です。不良画像が集まらないなら学習データ量、ライン速度や既存FAへの組み込みならエッジ実行と連携性が優先軸になります。優先軸を1つ固定してから残りの軸で比べると、抽象語に惑わされず候補を2〜3製品まで絞り込めます。

AI外観検査を比較する前提として、従来のルールベース検査との違いを整理しておくと、各製品の方式の意味が理解しやすくなります。両者は対立する技術ではなく、得意な領域が異なる補完関係にあります。

ルールベース検査は、検査基準を数値化してしきい値で良否を判定する方式です。寸法、面積、色の値、位置といった数値で定義できる検査に強く、NG判定の根拠を数値で説明できます。判定理由が明確なため、トレーサビリティや顧客への説明が必要な工程に向いています。一方で、傷の形状が一定でない、模様の上に欠陥があるといった「人が見れば分かるが数値化しにくい」対象では、しきい値の調整が難しく作りこみに手間がかかります。

AIによる画像処理は、学習した画像をもとに人の感覚に近い判断を行います。事前のしきい値設定が難しい曖昧な検査でも、良品や不良品の見え方を学習させることで判定できる点が特徴です。複雑な模様の上の微細な傷や、出方が一定しない汚れのように、ルールベースでは線引きしづらい対象を扱えます。ディープラーニングは大量の画像から「良品とはこういうもの」という基準を自ら構築するため、人の経験に頼っていた官能検査の自動化にも踏み込めます。

ただしAIにも限界があります。判定の根拠がブラックボックスになりやすく、なぜNGと判定したかを数値で説明しにくい点は、ルールベースと逆の弱みです。学習データに含まれない見え方の不良を取りこぼす可能性もあり、撮像条件が学習時と変わると精度が落ちます。このため実務では、基準が明確な検査はルールベースで確実にこなし、ルール化しにくい欠陥にAIを充てる併用構成が現実的な選択になることが多くなります。後述するFA統合型の製品は、この使い分けを1つのシステムで実現する設計です。

検出方式は、自社の検査対象とほぼ一対一で対応します。形の定まらない欠陥を人の感覚に近い判断で見たいのか、基準が明確な検査を確実にこなしたいのかで、まず大きく二手に分かれます。

ディープラーニング型：多様で複雑な欠陥に強い

ディープラーニング型は、良品・不良品の画像から特徴を学習し、傷・打痕・組み立て不良・文字の読み取りなど、ルール化が難しい検査に対応します。複雑な模様の上の傷や、位置や大きさが変わる欠陥のように、しきい値で線引きしづらい対象に向きます。

コグネックスのVisionPro Deep Learning（ViDi）は、用途別に4つのツールを持つPCベースのソフトウェアです。位置決めのBlue Locate、外観欠陥を見るRed Analyze、画像を分類するGreen Classify、文字を読むBlue Readを組み合わせて使い分けます。

同じコグネックスのCognex In-Sight D900は、ViDiの技術をスマートカメラに組み込んだ製品です。照明・レンズ・推論用のプロセッサを1台にまとめ、PCなしでライン上に展開できる点が特徴で、文字読み取り（Read）、組み立て検証（Check）、欠陥検出（Detect）のツールを備えます。

VRAIN SolutionのPhoenix Visionは、分類・物体検出・欠陥の異常検知・正常データ学習による異常検知という4種類のアルゴリズムを検査対象に応じて使い分ける設計です。1つの方式に縛られず、対象ごとにアルゴリズムを選べる柔軟性があります。

ディープラーニング型の3製品は、いずれも「複数のツール・アルゴリズムを使い分ける」設計という共通点があります。ViDiはツールを組み合わせて1つの検査工程を構成でき、In-Sight D900はその技術をカメラ単体に閉じ込めることで、PCを置けないライン環境でも展開しやすくしています。Phoenix Visionは検査対象ごとに最適なアルゴリズムを選べるため、傷検査と分類検査が混在する工程でも一貫した枠組みで扱えます。カメラやX線で撮影した画像から傷・汚れ・変形・欠け・色ムラ・異物混入を検出する用途で使われています。

ディープラーニング型は表現力が高い反面、学習に十分なデータと計算資源を要する傾向があります。本番ラインで安定した精度を出すには、撮像条件をそろえる作りこみが必要になる点には注意が必要です。撮像のばらつきを抑える照明・治具の設計を、導入計画に最初から含めておくと精度の振れを抑えられます。また、判定根拠が数値で示しにくいため、客先へ不良理由を説明する必要がある工程では、ヒートマップなどの可視化機能があるか、ルールベース検査と併用できるかを確認しておくと運用後の説明負荷を減らせます。

良品学習・異常検知型：不良画像が集まらない現場に向く

良品学習・異常検知型は、良品の画像だけを学習して「いつもと違う」部分を検出します。不良サンプルを大量に集める必要がないため、不良が滅多に出ない工程や多品種少量の現場で立ち上げやすい方式です。

システム計画研究所（ISP）のgLupeは、良品画像を数十枚程度学習させるだけでAIを構築でき、良品学習機能では少量の良品データから良否を判別します。SDK形態で提供され、既存の検査装置やキーエンスの画像処理システムにAI機能を後付けできる点が特徴です。

HACARUSのHACARUS Checkは、ディープラーニングとは異なるスパースモデリングという数理アプローチを採り、少量データから高精度なAIを構築します。不良データを集めなくても良品データだけでモデルを作れるため、品種が多く不良の少ない現場に向きます。6軸ロボットアームと組み合わせた360度の全方位検査にも対応します。

オムロンの画像処理システムFHシリーズのAI搭載モデルは、業界初をうたう「欠陥抽出AI」を搭載し、熟練検査員の感覚を再現する形で、傷サンプルを学習させなくても未知の欠陥を検出する設計です。良品のばらつきを学習してモデル化し、過検出を抑える仕組みを持ちます。

良品学習型のなかでも、gLupeとHACARUS Checkは「不良画像を集めなくても始められる」点で共通しますが、技術的なアプローチは異なります。gLupeはディープラーニングをベースに少量の良品画像で学習し、SDKで既存装置に組み込む使い方を想定しています。HACARUS Checkはディープラーニングに頼らないスパースモデリングで、データが少ない環境でも軽い計算資源でモデルを作れる点に特徴があります。OMRON FHは既存の画像処理システムにAIを載せる形で、熟練検査員の判断を再現する方向に振った設計です。同じ「良品学習」でも、装置組み込み重視か、データ・計算資源の軽さ重視か、FA機器連携重視かで選ぶ製品が変わります。

良品学習型は導入のハードルが低い一方、欠陥の種類を細かく分類したい用途や、明確な合否基準を数値で示したい用途には不向きな場合があります。良品の定義が安定しない工程では過検出が増えることもあり、良品のばらつきをどこまで許容するかのチューニングが運用の鍵になります。何を不良と判定したかの根拠を数値で説明したい工程では、ルールベースとの併用を検討する余地があります。

編集部コメント：検出方式は自社の検査対象から逆算するのが確実です。傷・打痕・OCRなど多様で複雑な対象はディープラーニング型、不良が滅多に出ない多品種少量の現場は良品学習・異常検知型が起点になります。良品学習型は立ち上げが軽い反面、不良を「傷」「異物」と種類分けして集計したい用途では物足りなくなるため、後工程での傾向分析の要否まで含めて方式を決めると作り直しを避けられます。

FA統合・ルールベース併用型：既存ラインへの組み込みに向く

FA統合型は、AIと従来の画像処理（ルールベース）を使い分け、PLCやロボットなどのFA機器と連携してライン上に組み込む方式です。寸法やOCRのように基準が明確な検査はルールベースで確実にこなし、ルール化しにくい欠陥にAIを充てる構成が取れます。

三菱電機のMELSOFT VIXIOは、FA向けに最適化したAIアルゴリズムを持つ外観検査ソフトウェアです。約100枚の画像から10秒程度でモデルを生成でき、三菱電機のPLCや表示器とつないで既存ラインにAI検査を追加導入できます。

キーエンスのVSシリーズ／IV2シリーズは、AIとルールベースを検査ごとに使い分けられる画像処理システムです。VSシリーズはAIと光学ズームを備えた高機能機、IV2シリーズはOK品・NG品を1枚ずつ登録するだけで検査条件を自動設定する小型機で、専任担当者がいない現場の最初の一台として位置づけられます。カメラ・照明・レンズ・ソフトを一括で提供する点も特徴です。

MENOUは、AIの専門知識がなくてもノーコードで検査AIを構築できるプラットフォームで、少量画像からの学習に対応し、カメラやPLCとの連携機能を備えます。現場担当者がAI検査を内製化することを狙った設計で、FA連携と内製のしやすさを両立させています。

FA統合型のなかでも位置づけは分かれます。MELSOFT VIXIOとキーエンスのVS／IV2は、撮像から判定、トレーサビリティまでをハードとソフトで一体提供する方向です。とくにIV2はOK品・NG品を1枚ずつ登録するだけという割り切った操作性で、画像処理の知識がない現場の最初の一台という性格が強い製品です。VSシリーズは光学ズームでフォーカスと視野をソフト側で調整でき、広視野から狭視野まで1台でカバーできる点が、複数品種を扱うラインで効いてきます。MENOUはハードを限定せず、ノーコードで検査AIを内製化する点に重心があり、カメラやPLCとつなぎながら自社で検査ロジックを育てたい現場に向きます。

FA統合型は既存設備との親和性が高い反面、特定メーカーのPLCや機器を前提にすると、構成の自由度が下がる場合があります。撮像から判定までを一体で提供する製品は導入が早い一方、後からカメラや照明だけを別ベンダーに替えにくいこともあります。将来の機器更新やマルチベンダー構成を見込む場合は、連携できる機器の範囲を事前に確認しておくと選択肢を狭めずに済みます。

編集部コメント：FA統合型は「既存ラインのどのメーカーに合わせるか」で実質的に候補が決まります。三菱電機やキーエンスの設備をすでに使っているなら、同社の製品を選ぶと連携と導入が早く進みます。一方で将来のマルチベンダー構成や機器更新を見込むなら、ハードを限定しないMENOUのように連携範囲が広いものを選ぶと、自由度を確保したまま内製化を進められます。

検出方式が絞れたら、次は運用に直結する2つの軸を見ます。学習データ量は立ち上げの現実性を、推論を動かす場所はライン適合性と運用負荷を左右します。

学習データ量：良品のみで足りるか、何枚必要か

必要な学習データは製品で差があります。gLupeは良品画像数十枚程度、MELSOFT VIXIOは約100枚を起点にモデルを生成し、HACARUS Checkは良品データのみで構築できます。MENOUも少量画像での学習を前提に設計されています。

不良サンプルが集まりにくい現場では、良品だけで学習できるかが導入可否を分けます。良品学習型（gLupe・HACARUS Check・OMRON FH）は、不良が稀な工程や多品種少量の現場でも着手しやすい構成です。一方、欠陥の種類を分類したい、不良の出方が多様で良品の定義が曖昧といった場合は、不良画像を含めて学習するディープラーニング型のほうが表現しやすくなります。

学習枚数の少なさは魅力ですが、少ない枚数で立ち上げたモデルは、撮像条件が変わると精度が落ちることがあります。本番投入後も追加学習で精度を維持できる運用設計を、最初から見込んでおくと安定します。具体的には、誰がいつ追加学習を行うのか、判定が外れた画像をどう収集してモデルに反映するのかという運用ループを、導入時点で決めておくと精度の劣化を防げます。少量学習を売りにする製品ほど、初期構築の手軽さの裏で、運用フェーズの追加学習を現場が回せるかが定着の分かれ目になります。

もう一つの判断材料は、不良の種類を分類する必要があるかどうかです。良品学習型は「良品か否か」の判定は得意ですが、検出した不良を「傷」「異物」「変形」と種類分けして集計したい場合は、不良画像を学習させる方式や、複数アルゴリズムを使い分ける製品のほうが扱いやすくなります。不良の傾向分析を後工程で行いたいなら、検出だけでなく分類まで見据えて方式を選ぶと、後からの作り直しを避けられます。

エッジかクラウド・PCか：ライン速度と運用負荷

推論を動かす場所は、大きくスマートカメラ・PLCで完結するエッジ型と、PCやクラウドで動かす型に分かれます。エッジ型はライン上で完結し、外部ネットワークに依存せず高速に判定できます。Cognex In-Sight D900のようなスマートカメラや、PLC連携を前提とするMELSOFT VIXIO、キーエンスのVS／IV2はこの方向です。

PCやクラウドで動かす型は、重いディープラーニングモデルや大量の画像データを扱いやすく、複数ラインの結果を集約して管理する用途に向きます。ViDiのようなPCベースのソフトや、クラウドで提供される構成がこれにあたります。HACARUS Checkはクラウドでの提供形態も持ちます。

エッジ型はライン適合性が高い反面、カメラやコントローラの処理能力にモデルの規模が制約されます。クラウド・PC型は柔軟ですが、画像データの転送や保管、ネットワークの安定性を運用に織り込む必要があります。検査対象の画像を社外に出せるかという情報管理の制約も、早い段階で確認しておくと後戻りを防げます。

方式と運用環境が定まっても、現場で回せる体制とコストが見合わなければ導入は進みません。PoC負荷と価格は、最終的な絞り込みを決める実務的な軸です。

PoC負荷：現場で回せるか、SIerが必要か

導入体制は、現場担当者がノーコードで内製できるタイプ、装置メーカーやSIerの組み込みを前提とするタイプ、自社開発の装置にSDKで組み込むタイプに分かれます。

MENOUはノーコードで現場の内製化を狙い、キーエンスのIV2はOK品・NG品を1枚ずつ登録するだけで条件が決まるため、専任担当者がいない中小製造業でも着手しやすい構成です。MELSOFT VIXIOもプログラミング不要でモデル作成から検査までを1つのソフトで扱えます。

一方、gLupeはSDKとして既存装置や自社装置に組み込む前提で、装置側の設計や統合作業が発生します。ViDiやPhoenix Vision、In-Sight D900のように、検査要件が複雑な場合はベンダーやSIerの支援を受けて作りこむケースが現実的です。専任のエンジニアがいない場合は、ノーコード型や自動設定型から検討すると立ち上げの負荷を抑えられます。

PoCで良い数字が出ても、本番では照明・搬送・対象のばらつきで精度が落ちることがあります。PoCの段階から本番に近い撮像条件で評価し、追加学習の運用まで含めて体制を見積もると、本番移行後のギャップを小さくできます。

自社の検査対象や体制から候補のタイプが見えてきたら、ITトレンドのAI外観検査・画像検査システムのカテゴリページで、方式や提供形態などの条件を指定して製品を絞り込めます。

価格：見積もりの前提をそろえる

価格は提供形態で前提が変わります。MENOUは開発・運用ツールを使える年間ライセンスで、年額の目安が公開されています。キーエンスやオムロン、In-Sight D900はカメラ・照明・コントローラを含む装置構成での見積もりになり、gLupeはSDKライセンスに装置側の費用が加わります。

Phoenix Visionのように、システムインテグレーション込みで一式の価格帯になる製品もあります。

価格を比べるときは、初期費用とランニングコストを分けて見ると実態がつかめます。年額ライセンス型はソフト費用が毎年かかる代わりに初期投資を抑えられ、装置一体型は初期費用が大きい代わりに追加コストが読みやすい傾向があります。SDK型は組み込み開発の工数が見積もりに乗るため、社内に開発リソースがあるかで実質コストが変わります。カメラ台数やライン数が増えると費用は比例して膨らむため、将来的に何ラインまで広げるかも価格比較の前提に含めると、後から予算が合わなくなる事態を避けられます。

同じAI外観検査でも、年額数十万円規模のソフトから、装置一式で1,000万円規模になる構成まで幅があります。価格だけでの比較は、検査範囲・カメラ台数・SI費用の前提が違うと意味を持ちません。見積もりを取る前に、検査対象・ライン数・必要な撮像条件をそろえておくと、各社の金額を同じ土俵で比べられます。安価な構成で始めて段階的に広げる進め方も、初期リスクを抑える現実的な選択肢になります。

編集部コメント：価格は「初期費用」と「毎年かかるランニング」を分けて見るのが鉄則です。初期投資を抑えたいなら年額ライセンス型、長期の費用を読みやすくしたいなら装置一体型、社内に開発リソースがあるならSDK型が有利になります。検査範囲・カメラ台数・SI費用の前提をそろえずに金額だけを並べても比較になりません。まず2〜3製品にタイプを絞り、同じ検査条件で見積もりを取るのが、予算ずれを防ぐ最短ルートです。

ここまでの5軸を、よくあるケースに当てはめて整理します。自社に近い状況を起点にすると、候補のタイプが見えてきます。どのケースでも、最初から全数を完全自動化しようとせず、人の目視と併走させながら段階的にAIへ移すと、現場の納得感を得ながら定着させやすくなります。

専任のAI担当がいない中小製造業：まず1ラインから試したい場合

専任のAI担当がいない中小製造業で、まず1ラインから試したい場合は、ノーコードや自動設定で立ち上げられるタイプが現実的です。OK品・NG品を登録するだけで動く小型機や、ノーコードで内製できるプラットフォームが候補になります。装置側の作りこみを最小化できる構成から始めると、初期の負荷を抑えられます。この層では、高い表現力よりも「現場の担当者が触り続けられること」が定着を左右します。ベンダーのサンプル検証サービスや無償トライアルを使って、自社サンプルで実際に判定させてから決めると、導入後のミスマッチを減らせます。

多品種少量で不良がほとんど出ない工程：良品データだけで始めたい場合

多品種少量で、不良がほとんど出ない工程では、良品データだけで学習できる異常検知・良品学習型が向きます。品種ごとに不良サンプルをそろえる負担を避けられるためです。検査対象が頻繁に切り替わる場合は、品種追加時の学習・切り替えの手間も評価軸に入れると運用が安定します。

既存FAラインにAI検査を追加したい場合：PLC・ロボット連携が前提

既存のFAラインにAI検査を追加し、PLCやロボットと連携させたい場合は、FA統合型が適します。寸法やOCRなど基準が明確な検査はルールベースで確実にこなし、ルール化しにくい欠陥にAIを充てる構成が組めます。ただし特定メーカーの機器を前提にすると構成の自由度が下がるため、連携範囲の確認が欠かせません。

グローバル横展開・複雑な欠陥やOCRを高い表現力で扱いたい場合

グローバル拠点で同じ検査を横展開したい、あるいは複雑な欠陥・OCRを高い表現力で扱いたい場合は、ディープラーニング型のソフトやスマートカメラが候補です。実績の広さと、拠点間で学習資産を共有できるかを評価軸にすると選びやすくなります。OCRや文字検査が主目的なら、変形・かすれに強い読み取りツールを持つ製品が向き、組み立て検証なら部品の位置や有無をまとめて確認できるツールがあるかを見ます。検査の主目的を一つに絞り込んでから、その用途に強い方式・製品を当てると、過剰な機能にコストを払わずに済みます。

どのケースにも共通する選定順序と注意点

どのケースでも共通するのは、製品名から入るのではなく、自社の検査対象・体制・予算を5軸に落としてから候補を絞るという順番です。先に方式とタイプの当たりを付けておけば、同じタイプの2〜3製品を実サンプルで比べるだけで済み、検討の時間を大きく短縮できます。

方式を問わず失敗しやすいのは、PoCの好成績をそのまま本番性能と見なしてしまうことです。本番では照明・搬送・対象のばらつきが精度を下げます。本番に近い条件でPoCを設計し、追加学習と精度維持の運用まで含めて体制を見積もると、導入後のギャップを抑えられます。

もう一つ見落とされがちなのが、見逃し（不良を良品と判定）と過検出（良品を不良と判定）のバランスです。見逃しを減らそうと判定を厳しくすると過検出が増え、良品まで弾いて歩留まりや手戻りが悪化します。逆に過検出を嫌って判定を緩めると、流出リスクが上がります。自社の工程でどちらの誤りがより許容できないかを先に決め、その基準でPoCの結果を評価すると、現場で使える設定に落とし込めます。製品選定の段階では、この見逃しと過検出のバランスを調整しやすいか、判定根拠を確認できるかも、精度の数字と合わせて見ておく価値があります。

導入後の保守体制も比較軸に含めると、長く使える製品を選べます。モデルの再学習をベンダーに依頼するのか自社で行えるのか、検査対象が変わったときの追加費用、サポートの応答速度といった点は、初期費用や精度の数字には現れません。グローバル拠点での横展開を想定するなら、海外拠点でのサポート体制や、拠点間で学習済みモデルを共有できるかも確認しておくと、展開時の手戻りを減らせます。

編集部コメント：自社が4タイプのどのケースに近いかは、検査対象・物量・体制・予算を5軸に落とせばほぼ機械的に決まります。迷ったときは「現状の最大の困りごとは人手不足か、精度か、説明責任か」を1つに絞ると、向くタイプがはっきりします。製品名から入らず、タイプを決めてから同タイプ2〜3製品を自社サンプルで比べる順番が、検討時間を最も縮めます。

AI外観検査の比較は、検出方式・学習データ量・エッジ/クラウド・PoC負荷・価格の5軸で見ると整理できます。傷や複雑な欠陥にはディープラーニング型、不良画像が集まらない現場には良品学習・異常検知型、既存FAラインへの組み込みにはFA統合型が起点になります。そのうえで、良品のみで学習できるか、ライン上で完結させるか、現場で回せるか、価格の前提がそろうかを重ねて候補を絞ります。

製品ごとの数値スコアでの横並び比較や、提供形態・対応検査での絞り込みは、ITトレンドのAI外観検査・画像検査システムのカテゴリページで確認できます。自社の検査対象と体制を5軸に当てはめ、候補を2〜3製品に絞ってから見積もりを取ると、比較がぶれずに進みます。